一、mysql：

1.1深入淺出：

數(shù)據(jù)分析的典型四步驟：確定問題（心智模型 ）→分解問題→評(píng)估數(shù)據(jù)→做出決策

（CRISP-DM(cross-industry standard process for data mining) 模型：商業(yè)理解→數(shù)據(jù)理解→數(shù)據(jù)準(zhǔn)備→建立模型→模型評(píng)估→發(fā)布模型）

貝葉斯統(tǒng)計(jì)，在自己被診斷為陽性的情況下，患陽的概率。

實(shí)際就是recall和precision的問題，我想知道precision，預(yù)測的精度是90%（100個(gè)有90個(gè)是準(zhǔn)的），那我就有90%的概率是陽性咯。但實(shí)際只知道recall，即陽性患者，能被診斷出來的概率為95%（100個(gè)陽性，模型能診斷出來95個(gè)），所以需要貝葉斯轉(zhuǎn)換啊。

主觀概率，講的有點(diǎn)是皮爾遜相似度的問題，就是說兩個(gè)人意見相差很大（比如對(duì)電影的評(píng)價(jià)），但實(shí)際上很有可能是因?yàn)閮扇说臉?biāo)準(zhǔn)偏差很大，A對(duì)電影整體就是比較寬容，B對(duì)電影整體就是比較嚴(yán)苛。用主觀概率，就能比較直觀地比較。

1.2 必知必會(huì)：

順序是賓 where 狀groupby 然后是orderby 最后才是主（最后主語選出來的哪怕沒有orderby的關(guān)鍵字，也是會(huì)先經(jīng)過排序再顯示）。

ps:有join聯(lián)結(jié)的時(shí)候，where統(tǒng)一放在on的后面，不然會(huì)報(bào)錯(cuò)

主：檢索列/行的基本用法；處理：concat、as、算數(shù)計(jì)算和函數(shù)計(jì)算、日期計(jì)算（常用select day(...)/year(...)/date（...））、文本處理（常用 select Ltrim(...) /upper（...））

賓：where的基本用法：and or組合邏輯、in/not in篩選邏輯、控制檢查null、剩下過濾的問題：

a. 通配符like，完全匹配“where prod_name like 'jet'、限定匹配“where prod_name like 'jet_'、任意匹配“where prod_name like 'jet%'.

..............................

b.正則表達(dá)式regexp，首先說明一點(diǎn)，like的話是必須完全匹配才會(huì)返回，regexp是列名中含有表達(dá)式則返回，如果要完全匹配的話，要配合定位符使用（加一個(gè)首定位符和尾定位符就可以了）。完全匹配“where prod_name regexp 'jet'、限定匹配“where prod_name like 'jet.'（正則里面變成了.）、任意匹配可以用.* 的方法，實(shí)際上正則比通配符優(yōu)勢的地方就在于他對(duì)任意匹配的控制到了隨意的地步：

匹配范圍：or匹配：“where prod_name regexp 'jet[0-9]'或者“where prod_name regexp 'jet[1|2|3|4|5|6|7|8|9]'或者“where prod_name regexp 'jet[:digit:]'；特殊字符匹配“where prod_name regexp 'jet\.'（匹配jet.）以及其他的符號(hào)匹配（比如什么換行符 制表符）

匹配限定：個(gè)數(shù)：*任意個(gè)數(shù)、+至少1個(gè)、？ 0或者1個(gè)、{n} 制定n個(gè)數(shù)目匹配，{n，}至少n個(gè)，{n,m}n~m個(gè)； 位置限定^ 開始（放在[]里面表示否定，比如[^1-9]表示不匹配1-9），$結(jié)尾

..............................

c.全文本搜索match against：首先是要建表的時(shí)候采用myisam引擎開啟fulltext才可以建立索引并搜索（或者用布爾搜索進(jìn)行強(qiáng)行搜索）

create table .....(....., fulltext(note_text))engine=myisam。

采用match against進(jìn)行匹配 where match(note_text) against('jet')等同于where note_text like '%jet%'。如果只是match against的話，相比正則表達(dá)式，會(huì)更智能，因?yàn)闀?huì)按一定順序返回，排名方式是按照匹配到的目標(biāo)的多少。真正厲害的方法是采用布爾搜索模式where match(note_text) against('jet' in boolean mode)，可以支持查詢擴(kuò)展（根據(jù)關(guān)鍵詞引申查詢其他相關(guān)項(xiàng)）以及除了匹配，還可以直接限定非匹配，等等功能。

狀：group by :group by +having的組合

最后：orderby：desc asc

其他細(xì)則：

聯(lián)結(jié)概念，除了where聯(lián)結(jié)、join聯(lián)結(jié)，還可以用union聯(lián)結(jié)，在很復(fù)雜的表達(dá)力，union聯(lián)結(jié)可能會(huì)更簡單，因?yàn)椴挥每紤]邏輯。

..............................

便捷功能：

視圖（就是打包的select語句）：create view xxx as xxx。。。

存儲(chǔ)（就是def 函數(shù)，允許輸入輸出參數(shù)）：create procedure xxx() begin... end； 要執(zhí)行的時(shí)候用call： call xxx（）；

游標(biāo)（指向一個(gè)select語句，一般是配合存儲(chǔ)過程使用的，而且會(huì)用repeate來反復(fù)select）：declare XXXX cursor for select.....。執(zhí)行游標(biāo)就用open...fetch...close 。配合repeate有固定套路。

觸發(fā)器：就是delete insert update語句，在指定時(shí)候觸發(fā)：create trigger XXX after XXXX for XXXXX。

事務(wù)管理transaction：回退rollback、提交commit、保留點(diǎn)savepoint。

1.3 經(jīng)典50題

sum+case的用法：

image.png

排序問題：

a. 允許rank()over函數(shù)：

a.1 有相同排名，則名次要空缺，不連續(xù)編號(hào)：

select sc.sid,rank()over(order by sc.score desc)rank01 from sc where sc.cid='01')

..............................

a.2 有相同排名，也連續(xù)編號(hào)（dense_rank）：

select sc.sid,dense_rank()over(order by sc.score desc)rank01 from sc where sc.cid='01')

..............................

a.3 組內(nèi)排名：

select sc.sid,rank()over(partition by sc.cid order by sc.score desc)rank01 from sc where sc.cid='01')

..............................

..............................

b. 不允許rank()over函數(shù)：

b.0 無相同排名：

select sid,score,(@a:=@a+1) rank01 from (select * from sc where cid=01 order by score desc)scc,(select @a:=0) a;

上面這種寫法，實(shí)際上只適用于無相同排名

b.1 有相同排名，則名次要空缺，不連續(xù)編號(hào)：（一旦有相同排名，就用聯(lián)結(jié)的方式更簡單）

思路：先按無相同排名排名，再groupby取排名最小值，再聯(lián)立

select sid,sc.score,rank01 from sc,(select score, min(rank01) rank01 from (select score,(@a:=@a+1) rank01 from (select * from sc where cid=01 order by score desc)scc,(select @a:=0) a)c group by score)d where sc.cid=01 and sc.score=d.score order by rank01 asc;

image.png

感覺寫的有點(diǎn)復(fù)雜，思考了一下，如果用兩表聯(lián)立的方法，來找比自己高的數(shù)目（或者低的數(shù)目）來排名，更簡單，但要小心有兩個(gè)第一名的情況，比如說如果有兩個(gè)第一名，那么大于等于自身分?jǐn)?shù)的會(huì)有兩個(gè)值，rank自動(dòng)會(huì)是2：

select a.sid,(count(*))rank01 from sc a,sc b where a.cid=01 and b.cid=01 and a.score<=b.score group by a.sid;

這種情況你怎么都不好調(diào)整，因?yàn)槟阒挥械谝幻呐琶清e(cuò)誤的，后面的排名都是對(duì)的。。。

image.png

用left join也不能完美解決這個(gè)問題（我真的試過了）

用自聯(lián)結(jié)+sum case是很通用的方法：

select a.sid,(sum(case when a.score

image.png

..............................

b.2 有相同排名，也連續(xù)編號(hào)(dense_rank)：

思路：先distinct分?jǐn)?shù)排名，再聯(lián)結(jié)

..............................

b.3 組內(nèi)排名：

思路1：先分組，再排序，再union一起；

思路2：自聯(lián)結(jié)+left join/sum case+groupby

總結(jié)下排序問題：在允許rank()over的情況下就盡情使用，不允許的話：1、@a:=@a+1方法比較粗暴，但是寫起來有點(diǎn)復(fù)雜；2、如果沒有兩個(gè)第一名，用聯(lián)結(jié)+count()的方法是最簡單的方法；3、如果有兩個(gè)第一名，用聯(lián)結(jié)+sum case是通用的方法，也是最不會(huì)錯(cuò)的方法。

1.4 leecode

ifnull函數(shù)

聚集函數(shù)不能用in匹配

delete from person where id not in (select min(id) id from person group by email);

是錯(cuò)誤的，因?yàn)閙in（id）是聚集函數(shù)，外面還得再包一層select * from

善用case+when else end的組合（基本上難題都是靠這個(gè)解決）

排序，能用limit（offset）就用limit，不然就是自連接（比sum case簡單），不行再用sum case

二、python

2.1 python菜鳥+應(yīng)用

看多少遍都不為過，要經(jīng)常復(fù)習(xí)

tips:多行注釋用ctrl+/，或者打三引號(hào)

2.1.1 7大類型（6+1）

number,string,tuple是不可變類型

list,set,dictionary是可變類。

number

兩點(diǎn)：

a.分為int,float,bool,complex,并且可以互相轉(zhuǎn)換

b.number必然會(huì)涉及運(yùn)算，傳統(tǒng)的運(yùn)算是在math模塊里面，但是現(xiàn)在直接用 numpy就可以涵蓋全了。

字符串

四點(diǎn)：

a.轉(zhuǎn)義字符的使用\n（順便說一句，用\n可以實(shí)現(xiàn)字符串換行，但是格式上并不簡潔，可以用三引號(hào)的方式，在里面直接換行）

b.常用運(yùn)算符：+ 、*、[]切片

c.字符串格式化s%，如果是數(shù)值格式化,常用%d和%f

image.png

d.其他常用函數(shù)：upper、capitalize、lstrip（mysql是ltrim ，一個(gè)是trim，一個(gè)是strip）、全局函數(shù)len和del（基本上所有類型都可以用的）...

list

兩點(diǎn)

a.list和str的區(qū)別在于list是可變的，所以除了str具備的基本特征（+、*預(yù)算符等），還有一些自建函數(shù)和全局函數(shù)進(jìn)行數(shù)據(jù)更新，常用：list.count(obj)、list.sort( reverse=False)以及增刪查改等等。

b.因?yàn)閘ist可變同時(shí)可索引，因此應(yīng)用是最廣泛的，經(jīng)常當(dāng)堆棧使用（append和pop），還有自己具有強(qiáng)大而又漸變的列表推導(dǎo)式功能：

image.png

tuple

和列表的區(qū)別在于，不允許更改，所以是沒有更改數(shù)據(jù)的自建函數(shù)的，可以用全局函數(shù)進(jìn)行運(yùn)算。

set集合

兩點(diǎn)：

a.set有兩種生成方式，一種是直接生成，一種是利用str或者tuple轉(zhuǎn)化，參見以下三種區(qū)別：

image.png

b.集合的增刪查改

字典dict

兩點(diǎn)：

a.沒有順序之說，只有key和value的鏈接

b.增刪查改的幾個(gè)函數(shù)都比較重要

其他

NoneType：a=None (mysql是null)

bytes：a=b'sdfsdf' (就是采用ASCII編碼的str！)

增刪查改看這個(gè)表

image.png

2.1.2 運(yùn)算符

7種運(yùn)算符類型：

image.png

需要注意的是，兩個(gè)數(shù)值的時(shí)候 &、|是位運(yùn)算，如果是邏輯變量，&、|可以當(dāng)邏輯運(yùn)算符，而且實(shí)際應(yīng)用其實(shí)更廣泛，尤其是在dataframe的時(shí)候，很多時(shí)候都只能用這種邏輯運(yùn)算，不能用and和or。

2.1.3 控制與循環(huán)

循環(huán)語句

主要是三點(diǎn)：

a.if else循環(huán)；

b.while else循環(huán)；

c.for else循環(huán)（用得很少，基本上是用來判定for循環(huán)的內(nèi)容里面有沒有想要的內(nèi)容，沒有的話就break跳出，不執(zhí)行else，有的話就順帶執(zhí)行下else語句，表明有想要的內(nèi)容）

迭代器和生成器

通常都是用range來進(jìn)行迭代了，iter迭代器和yield生成器暫時(shí)都用不著，有簡單的方法干嘛用復(fù)雜的呢。

2.1.4 函數(shù)

2.1.4.1 基礎(chǔ)問題

可變對(duì)象和不可變對(duì)象的參數(shù)傳遞問題

image.png

總結(jié)起來就是，不可變對(duì)象number、string、tuple傳入函數(shù)，只是把值傳進(jìn)去，無論函數(shù)內(nèi)部怎么操作，元數(shù)據(jù)都不會(huì)受到影響。

幾種傳入?yún)?shù)

分別是必須參數(shù)/關(guān)鍵字參數(shù)、默認(rèn)參數(shù)、不定長參數(shù)（一個(gè) * 以tuple存儲(chǔ)，兩個(gè) * 以dict儲(chǔ)存）

匿名函數(shù)

summ=lambda a,b:a+b (就是不要搞忘就行了)

2.1.4.2 內(nèi)置常用函數(shù)

（這個(gè)很重要，其實(shí)介紹完幾個(gè)類型之后，就應(yīng)該介紹這個(gè)的，這幾個(gè)基本上都是適用于list的，因?yàn)閘ist迭代和索引起來都最方便）

取整求余

求余：x%2 →→mysql是mod(x,2)

四舍五入:round(x) →→mysql一樣

向下取整:int(x) 或者math.floor(x) →→mysql是：floor(x)

向上取整:int(x)+1或者math.ceil(x) →→mysql一樣

enumerate

配合list使用，成為迭代器（相當(dāng)于range，或者iter），但他會(huì)返回兩個(gè)值，一個(gè)是list的索引，一個(gè)是值：

image.png

sorted

跟list.sort類似

reversed

跟list.reverse類似

zip

配合list使用，很好用。比起zip()的用法，更好用的是zip（*）的用法，可以方便地處理多維矩陣：

image.png

map（很方便！）

配合list使用！

image.png

2.1.5 模塊

就三點(diǎn)：

模塊的導(dǎo)入方式

最常見的sys模塊，含有模塊搜索路徑

dir()查看模塊所有定義（目前基本上用不到），name的用法（用于判定是引用的模塊，還是自身函數(shù)）：

image.png

2.1.6 輸入輸出

格式美化問題，str.format()是新的格式方式，%是舊的格式方式（額。。）

讀寫文件問題

open→read/write→close

image.png

常用的幾種模式：

r→只讀

w→只寫，原有內(nèi)容會(huì)被刪除

r+→讀寫

w+→讀寫，原有內(nèi)容會(huì)被刪除

2.1.7 其他

錯(cuò)誤和異常：try +except+else+raise語句；清理行為，一種是在最后使用finally語句保證完成清理，一種是有些模塊有標(biāo)準(zhǔn)清理行為，用with使用（比如open模塊有close的清理行為，避免打開文件后忘記關(guān)閉）

面向?qū)ο?/p>

三點(diǎn)：

a.面向?qū)ο蟮木柙谟诳梢岳^承，子類繼承父類，甚至可以更改父類；

b.類化和實(shí)例化的區(qū)別，x = MyClass(2)就是實(shí)例化，（把需要的參數(shù)都輸入進(jìn)去了，不就是實(shí)例么，參數(shù)也可以是空），x = MyClass就是類化。class定義里面肯定有一個(gè)init，是對(duì)參數(shù)進(jìn)行傳遞：

image.png

上面，def init(self,n,a,w)就是將具體參數(shù)如的參數(shù)n賦值給name，a賦值給age，w賦值給__weight，具體利用這些參數(shù)怎么用，則需要進(jìn)一步定義，比如下面的def speak(self)。（思路總算是清晰一點(diǎn)了，要先用init將所有參數(shù)賦值，再針對(duì)各種參數(shù)進(jìn)行函數(shù)定義）

常用模塊：

math模塊，datetime模塊，smtplib模塊，sys模塊...

2.2 pandas

2.2.1 基本操作

文件讀取

df1=pd.read_csv('/desktop/xxx.csv')

兩種數(shù)據(jù)結(jié)構(gòu) dataframe和series

dataframe和series的主要區(qū)別在于一個(gè)是多維，一個(gè)是一維（當(dāng)然dataframe也可以是一維，比如series自帶的to_frame函數(shù)轉(zhuǎn)化成dataframe）；次要區(qū)別在于series有一些自己的函數(shù)，比如series.map(....)，map就只能對(duì)一維使用，多維的話就只能用apply吧。

a.讀取的文件會(huì)被自動(dòng)轉(zhuǎn)化為dataframe

b.用df=pd.DataFrame()或者df=pd.Series()創(chuàng)建結(jié)構(gòu)的話，要注意index和column的制定（這個(gè)稍微查看下用法就知道了，避免自己忘了）

c.一般將字典轉(zhuǎn)化為DataFrame比較多，因?yàn)椴挥弥贫╟olumns；另外一種就是將多維數(shù)組array或者多維列表list轉(zhuǎn)化為DataFrame，但此時(shí)需要額外制定列名；

基本屬性查看

df.columns/index/dtypes/shape/size/head/tail/describe

series.value_counts()

ps，dtype顯示的類型一般有int/float/bool/時(shí)間類型/object類型以及其他擴(kuò)展類型，所以如果是數(shù)值類型他會(huì)明確顯示（int/float/bool，因?yàn)閜andas是基于numpy開發(fā)的誒），其他的一般會(huì)顯示為object

索引（索引就是index，一般都是指針對(duì)行的哈）

https://www.cnblogs.com/jiaxin359/p/8995133.html

a.常規(guī)索引，弄清楚df[0]和df[0:5]的區(qū)別，df[0]相當(dāng)于df.0，df[0:5]相當(dāng)于df.iloc[0:5]

b.loc索引,以行的名字進(jìn)行索引，不存在切片操作，允許范圍操作，比如df.loc[10:15]，會(huì)返回index為10，11，12，13，14的數(shù)據(jù)

c.iloc索引，以行數(shù)進(jìn)行索引，允許切片操作。

ps，經(jīng)常會(huì)用df.set_index進(jìn)行（多重）索引設(shè)置，不過建議用pivot_table來設(shè)置。。。

常規(guī)數(shù)據(jù)清洗（增刪查改）操作

先說大宗旨：axis=1為列操作，最后以行形式展示,axis=0為對(duì)行操作，最后以列形式展示，在pandas中一般會(huì)默認(rèn)為axis=0操作最后展示位列（符合csv表的數(shù)據(jù)處理習(xí)慣）

a.增：

兩種主要思路

直接新增df['new column']=;多表聯(lián)結(jié)的方式

b.刪：

常規(guī)刪除：del df或者df.drop

刪除重復(fù)行：df.drop_duplicates()或者df.drop([df.duplicated],axis=0)

這里的duplicate都是對(duì)行數(shù)據(jù)而言的。（如果要?jiǎng)h除列，用drop可以完成，但如果是刪除重復(fù)列，考慮先轉(zhuǎn)置，再刪除，再還原）

刪除缺失值：df.dropna(),或者先用df.isnull檢測再刪除

c.查

索引方法

d.改

常規(guī)更改：用索引的方法更改列或者行

填充：用df.fillna（）填充缺失值（有很多填充方法）

函數(shù)計(jì)算

下面講的是針對(duì)groupby后的函數(shù)計(jì)算，但實(shí)際上很多計(jì)算是可以單獨(dú)使用的哈。

a.groupby的基本使用和基本計(jì)算：

df.groupby(by='A').sum()

b.groupby后的復(fù)雜函數(shù)使用（各種復(fù)雜函數(shù)也是可以單獨(dú)使用的）：

https://blog.csdn.net/zwhooo/article/details/79696558

df.groupby().agg()，agg里面接的是內(nèi)置函數(shù)

df.groupby().tansform(),series的單列計(jì)算，允許匿名函數(shù)

df.groupby().apply()，多列計(jì)算，允許匿名函數(shù)

df.groupby().map()，series單個(gè)元素計(jì)算（本質(zhì)就跟內(nèi)置map一樣的），允許匿名函數(shù)

df.groupby().applymap()，多列所有元素計(jì)算，允許匿名函數(shù)

文本處理

這個(gè)其實(shí)是針對(duì)series的，用到的很少，series本身的字符串方法和python內(nèi)置方法也差不多，比如series.str.split和' '.split()是一個(gè)用法。

比較常用的就是join、split、lstrip、rstrip之類的

https://blog.csdn.net/qq_28219759/article/details/52919233

2.2.2 實(shí)際應(yīng)用中常用的函數(shù)

利用pivot_table進(jìn)行透視

透視其實(shí)就是表的重建，利用pivot_table特別方便可以構(gòu)造復(fù)合index和columns（以后要構(gòu)建復(fù)合index和columnes可以優(yōu)先考慮透視方法）

image.png

stack和unstack

看似和pivot_table一樣，其實(shí)還是很不一樣，pivot_table無論怎么透視，都是dataframe，相當(dāng)于改變分組方式；stack是將dataframe完全展開為series。

另外還有一個(gè)series.to_frame（）的方法，把series轉(zhuǎn)化為dataframe:

image.png

所以如果要進(jìn)行表的透視，pivot_table是最方便的，但用stack+to_frame的方法也能夠取得類似的效果，就是不夠方便；

如果只是想dataframe變?yōu)閟eries的話，stack就方便多了；

isnull函數(shù)查看有多少空值

df.isnull().sum()

isin函數(shù)

媽呀，竟然還有這個(gè)函數(shù)，相當(dāng)于sql的 where xxx in xxx

df.['columns'].isin(xxx)

2.3 numpy（數(shù)據(jù)分析用的很少，可能在數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)才會(huì)多）

創(chuàng)建

a.用list轉(zhuǎn)化：arr=np.array(list)

b.自行創(chuàng)建：arr=np.zeros()。。。x=np.linspace()等等就看你想創(chuàng)建什么形式的。（np.linspace（）在畫圖的時(shí)候用的很多，用于生成x軸數(shù)據(jù)）

ps：常用隨機(jī)數(shù)創(chuàng)建

image.png

常用屬性和基本方法

a.屬性查看：size/shape/len

b.shape改變方法：鋪平flatten/ravel，reshape，T

ps，看到數(shù)組的鋪平想起list的鋪平，list是沒有內(nèi)置函數(shù)提供直接的鋪平方式的，不過可以用循環(huán)語句依次鋪平，或者就把list轉(zhuǎn)化為array再鋪平

基本數(shù)值運(yùn)算

umm...就那些吧

sum/mean/std/max/min

以及數(shù)組間運(yùn)算，不過現(xiàn)在都還沒遇到

索引

跟dataframe一樣的

2.4 可視化

最基本屬性

a.導(dǎo)入模塊指令：import matplotlib.pyplot as plt

b.在線現(xiàn)實(shí)圖像指令：%matplotlib inline

c.全局性參數(shù)plt.rcParams里面，通常要進(jìn)行設(shè)置的有：

image.png

圖表類型

image.png

畫布屬性控制

分圖：plt.subplot()配合axes坐標(biāo)軸參數(shù)畫圖

標(biāo)題：plt.title()

坐標(biāo)軸范圍：plt.xlim() 和plt.ylim()

坐標(biāo)軸刻度：plt.xticks()和plt.yticks()

注釋：plt.text() 和plt.annotate()（這個(gè)是指向性注釋）

圖像內(nèi)置屬性控制（有的有，有的沒有）

color:c、width寬度、alpha透明度、s面積

pandas api

兩種方法畫圖

a. df.plot.scatter()/bar()/hist()用屬性的方法畫圖

b. df.plot(kind='box')用通用的方法畫圖

seaborn api

import seaborn as sns導(dǎo)入模塊

a.圖像類型：

image.png

b.利用seaborn做簡單回歸分析

image.png

image.png

三、常用排序算法

二分查找

list已經(jīng)完成正序排序，從中間找起+遞歸函數(shù)

線性查找

挨個(gè)找，簡單粗暴

插入排序

挨個(gè)把list中的數(shù)據(jù)排好，新的list數(shù)據(jù)，從后往前對(duì)比，每對(duì)比一個(gè)，原來的數(shù)據(jù)往后挪一個(gè)。

快速排序

選定基準(zhǔn)值→小于基準(zhǔn)值的放在左邊的list，大于基準(zhǔn)值的放在右邊的list→反復(fù)遞歸

選擇排序

最簡單粗暴的一種，把最小的放在第一位，把次小的放在第二位。。。

冒泡排序

冒泡的本質(zhì)是，小的數(shù)不斷往上冒，最大的數(shù)會(huì)沉在最下面。。。(所以其實(shí)我會(huì)理解為下沉排序)

1號(hào)2號(hào)比較，把更大值放到2號(hào)，2號(hào)再與3號(hào)比較。。。第一輪沉完→反復(fù)遞歸完畢

歸并排序

先比較2個(gè)，再比較2個(gè)，再組合起來比較這4個(gè)→再和另外4個(gè)組合起來比較8個(gè)（另外4個(gè)也要先比較2個(gè)2個(gè)）。。。umm。。。

堆排序（二叉樹排序）

原理是：先排一個(gè)無序堆→再從倒數(shù)第二層子節(jié)點(diǎn)開始調(diào)整（把大的往上調(diào)），如果調(diào)整了一個(gè)子節(jié)點(diǎn)，要對(duì)下面的非底層子節(jié)點(diǎn)進(jìn)行遞歸判定和調(diào)整→第一輪排完之后父節(jié)點(diǎn)就是最大值，將其放到list最后一位，把底層子節(jié)點(diǎn)的最后一位拿到父節(jié)點(diǎn)來，再進(jìn)行判定

所以理論上有三個(gè)步驟：

a.創(chuàng)建原始堆的函數(shù)，這個(gè)不用管嘛，就是list本身的索引位置；

b.從倒數(shù)第二層開始調(diào)整，確定第一個(gè)父節(jié)點(diǎn)；

c.可以反復(fù)遞歸的從上而下調(diào)整的函數(shù)heapify（父節(jié)點(diǎn)要調(diào)整的話，還要檢查調(diào)整后的子節(jié)點(diǎn)下面是否還需要調(diào)整）。

b步驟，實(shí)際也可以用heapify函數(shù)，只用依次從底層把小堆用heapify調(diào)整好，再對(duì)上一層節(jié)點(diǎn)用heapify，直到到達(dá)頂層為止。

所以關(guān)鍵就在于heapify函數(shù)。。

計(jì)數(shù)排序

犧牲空間換時(shí)間，額外建立兩個(gè)數(shù)組，一個(gè)數(shù)組生成一組固定數(shù)據(jù)（已經(jīng)排序號(hào)），一個(gè)數(shù)組用來記錄原始list在固定數(shù)據(jù)組中出現(xiàn)的次數(shù)（所以肯定會(huì)有些是0），最后再釋放出來

希爾排序

插入排序的改進(jìn)版本，但是不穩(wěn)定，有可能會(huì)比排序算法花費(fèi)時(shí)間更多。

第一次以lenth/2為間隔，對(duì)所有數(shù)據(jù)進(jìn)行分組調(diào)序（一共lenth/2組）→第二次以lenth/4為間隔，對(duì)所有數(shù)據(jù)分組判斷，當(dāng)需要調(diào)序時(shí)，需要以lenth/4為間隔往前傳遞直到不再調(diào)序位置（因?yàn)榍胺叫蛄幸呀?jīng)是對(duì)的，所以到某一處不用再調(diào)序，也就不用往前推了）→第三次以lenth/8為間隔。。。→最后以1位間隔依次分組判斷，以及往前傳遞。最后排序完成。 需要注意，每次如果有兩個(gè)數(shù)進(jìn)行了調(diào)序，那么要繼續(xù)往前回推看前面的數(shù)需不需要調(diào)序（就跟堆排序的父節(jié)點(diǎn)發(fā)生改變，要檢查子節(jié)點(diǎn)一樣）

拓?fù)渑判?/p>

暫時(shí)不管了吧，圖排序方法

四、兩個(gè)案例分析

構(gòu)建NaN值的方法

float('NaN')/float('nan')，所以這好像是唯一構(gòu)建Nan值的方法

image.png

五、python和mysql的時(shí)間函數(shù)及字符串函數(shù)比較

5.1 時(shí)間函數(shù)

返回當(dāng)前日期

mysql：select curdate(),current_date();

image.png

python:datetime庫，或者time庫

image.png

返回當(dāng)前時(shí)間

mysql：select curtime,current_time()

image.png

python:同上

時(shí)間增加

mysql:函數(shù)date_add（date,interval int keyword）或者函數(shù)adddate（date,interval int keyword）

image.png

image.png

pthon：函數(shù)timedelta

image.png

時(shí)間減少

mysql:函數(shù)date_sub（date,interval int keyword）或者函數(shù)adddate（date,interval int keyword）,int為負(fù)就行

python：函數(shù)timedelta

時(shí)間日期的標(biāo)準(zhǔn)格式化

mysql：select date_formate(date,'%Y-%m-%d %H-%i-%s')

image.png

python:datetime和time模塊都有函數(shù)strftime

image.png

返回日期函數(shù)的年、月、日等

mysql：select year(now()), month(now()), day(now()), hour(now()), minute(now()), quarter(now());

image.png

python:

image.png

5.2 字符串函數(shù)

返回字符串長度

mysql:select lenth()

python:len()

連接字符串

mysql:select concat('a','b')

python:

image.png

替換字符

mysql:INSERT(str,x,y,instr)：將字符串str從第x位置開始，y個(gè)字符長的子串替換為字符串instr，返回結(jié)果;REPLACE(str,str1,str2)：在字符串str中用str2替換掉str1

image.png

image.png

python:

image.png

顛倒字符串

mysql：select reverse('SQL');

python：

image.png

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的python基础应用_【复习】mysql+python基础应用（20190815）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。